L’intelligenza artificiale sta già giocando un ruolo fondamentale nell’aiutare i cosmologi a studiare l’universo. Ora, una nuova ricerca suggerisce che una tecnica di apprendimento automatico chiamata apprendimento per trasferimento potrebbe rendere la ricerca di nuove leggi della fisica molto più rapida ed economica. Tuttavia, lo studio ha anche rivelato un sorprendente risvolto negativo: l’IA a volte può diventare così dipendente da ciò che ha già appreso da faticare a riconoscere qualcosa di veramente nuovo.
Lo studio, pubblicato sul Journal of Cosmology and Astroparticle Physics ( JCAP ), ha esaminato come l’apprendimento per trasferimento potrebbe aiutare i ricercatori a indagare teorie che vanno oltre il modello cosmologico standard.
L’intelligenza artificiale e la ricerca di una nuova fisica
L’attuale modello cosmologico standard, noto come ΛCDM, spiega con successo molte caratteristiche su larga scala dell’universo, tra cui la sua espansione e la distribuzione delle galassie. Tuttavia, gli scienziati ritengono che il modello non rappresenti la risposta definitiva.
Osservazioni recenti hanno sollevato interrogativi che potrebbero indicare la scoperta di una nuova fisica, tra cui gli effetti dei neutrini massivi, la gravità modificata e l’evoluzione dell’energia oscura. Esplorare queste possibilità richiede ai ricercatori di generare un numero enorme di simulazioni computerizzate dettagliate, ognuna delle quali rappresenta un universo virtuale costruito utilizzando diverse ipotesi fisiche.
La realizzazione di queste simulazioni è computazionalmente onerosa e spesso richiede una notevole potenza di calcolo.
Utilizzo del trasferimento dell’apprendimento per ridurre i costi di simulazione
I ricercatori hanno studiato se l’apprendimento per trasferimento potesse rendere questo processo più efficiente.
Il transfer learning consente a un sistema di intelligenza artificiale di applicare le conoscenze acquisite da un compito a un altro compito correlato. Invece di addestrare una rete neurale interamente sulle simulazioni più complesse e computazionalmente onerose, il team l’ha prima addestrata su simulazioni più semplici basate su ΛCDM. Questa fase iniziale, nota come pre-addestramento, è stata poi seguita da un ulteriore addestramento utilizzando modelli più sofisticati che includono potenziali nuove leggi della fisica.
“Si tratta fondamentalmente di una scorciatoia”, spiega Adrian Bayer, cosmologo del Flatiron Institute e dell’Università di Princeton, coautore dello studio. “Di solito, l’intelligenza artificiale viene addestrata direttamente sulle simulazioni computazionalmente più complesse. Noi, invece, utilizziamo prima simulazioni ΛCDM più semplici e meno onerose per dare all’IA un’idea di cosa sta succedendo, e solo in seguito passiamo ai modelli più complessi.”
Bayer confronta l’approccio all’apprendimento tramite libri di testo.
“Prima si legge un libro di base per farsi un’idea generale dell’argomento”, spiega Bayer, “e poi si passa a un libro più complesso.”
Secondo la prima autrice Veena Krishnaraj, studentessa universitaria presso l’Università di Princeton, questa strategia impedisce all’IA di dover “digerire tutto in una volta”.
I risultati sono stati sorprendenti. In alcuni casi, il trasferimento dell’apprendimento ha ridotto di oltre dieci volte il numero di simulazioni costose necessarie.
Quando le conoscenze pregresse diventano un problema
Lo studio ha inoltre rivelato una sfida meno ovvia, nota come trasferimento negativo.
Riprendendo il paragone di Bayer con i libri di testo, immaginate di studiare medicina da un testo introduttivo e poi di trovarvi di fronte a una malattia rara che assomiglia molto a una patologia comune. Le conoscenze pregresse sono generalmente utili, ma a volte possono indurre a conclusioni errate.
Lo stesso problema può presentarsi nei sistemi di intelligenza artificiale.
In alcuni casi, le caratteristiche distintive di una nuova fisica assomigliano a schemi che l’IA ha già associato al modello cosmologico standard. Quando ciò accade, la rete pre-addestrata può interpretare informazioni sconosciute attraverso la lente di ciò che già conosce, rendendo più difficile riconoscere effetti realmente nuovi.
I ricercatori hanno osservato questo effetto studiando simulazioni che includevano neutrini massivi. Alcune delle caratteristiche osservative legate alla massa dei neutrini assomigliano molto ai cambiamenti associati a un parametro ΛCDM esistente chiamato σ8, che misura la forza con cui la materia si raggruppa nell’universo.
A causa di questa somiglianza, la rete neurale pre-addestrata inizialmente ha avuto difficoltà a distinguere i due effetti.
“Il trasferimento negativo non è casuale. È determinato da degenerazioni fisiche intrinseche al modello”, afferma Krishnaraj.
In altre parole, diversi processi fisici possono produrre segnali osservabili molto simili, rendendo difficile per l’IA identificare correttamente quale parametro ne sia responsabile.
“Quindi è un aspetto di cui dobbiamo essere consapevoli e che dobbiamo cercare di mitigare”, conclude.
Promesse e rischi per la cosmologia futura
I risultati mettono in luce sia i potenziali vantaggi che i limiti dell’applicazione dei concetti dei modelli di base alla fisica. Questi approcci sono sostanzialmente simili, nello spirito, alle tecniche alla base dei moderni sistemi di intelligenza artificiale generativa e dei grandi modelli linguistici.
Come notano i ricercatori nell’articolo, il pre-addestramento può accelerare l’inferenza, “ma può anche ostacolare l’apprendimento di nuove leggi della fisica”.
Finora, l’approccio è stato testato solo tramite simulazioni. Il prossimo passo sarà applicarlo a osservazioni astronomiche reali.
Il team ritiene che il transfer learning potrebbe diventare uno strumento importante per le prossime indagini cosmologiche, che si prevede raccoglieranno negli anni a venire una quantità senza precedenti di dati ad alta precisione sull’universo.
L’articolo “Transfer Learning Beyond the Standard Model” di Veena Krishnaraj, Adrian E. Bayer, Christian Kragh Jespersen e Peter Melchior è ora disponibile su JSTAT .
Astratto
L’apprendimento automatico consente una potente inferenza cosmologica, ma in genere richiede numerose simulazioni ad alta fedeltà che coprano molti modelli cosmologici. Il transfer learning offre un modo per ridurre il costo delle simulazioni riutilizzando le conoscenze tra i modelli. Dimostriamo che il pre-addestramento sul modello cosmologico standard, ΛCDM, e la messa a punto su vari scenari oltre ΛCDM, inclusi neutrini massivi, gravità modificata e non-gaussianità primordiali, possono consentire l’inferenza con un numero significativamente inferiore di simulazioni oltre ΛCDM. Tuttavia, mostriamo anche che può verificarsi un trasferimento negativo quando esistono forti degenerazioni fisiche tra i parametri di ΛCDM e quelli oltre ΛCDM. Consideriamo diverse architetture di trasferimento, scoprendo che l’inclusione di strutture a collo di bottiglia fornisce le migliori prestazioni. I nostri risultati illustrano le opportunità e le insidie degli approcci basati su modelli di base in fisica: il pre-addestramento può accelerare l’inferenza, ma può anche ostacolare l’apprendimento di nuove nozioni fisiche.
Materiale fornito da Sissa Medialab . Nota: il contenuto potrebbe essere modificato per motivi di stile e lunghezza.
Published 10 June 2026 • © 2026 The Author(s)
Veena Krishnaraj et al JCAP06(2026)026 DOI 10.1088/1475-7516/2026/06/026
Pubblicato da IOP Publishing Ltd per conto di Sissa Medialab. Il contenuto originale di quest’opera può essere utilizzato secondo i termini della licenza Creative Commons Attribuzione 4.0 . Qualsiasi ulteriore distribuzione di quest’opera deve mantenere l’attribuzione all’autore/agli autori e al titolo dell’opera, la citazione della rivista e il DOI.
by 